Óleo Isolante
O transformador é um dos mais importantes equipamentos elétricos de um sistema de energia, sendo que a operação correta do mesmo é decisiva para o funcionamento com segurança do sistema.
Um transformador em serviço está sujeito a uma variedade de stress térmico e elétrico, o que pode levar a falhas principalmente na forma de sobreaquecimento, arco e descargas parciais.
A detecção e eliminação destas falhas incipientes, antes que o transformador se apresente em uma condição de falha severa é de grande importância para a correta operação do sistema.
Testes e ensaios periódicos podem detectar as falhas incipientes, avaliar as condições de deterioração e orientar nas medidas para evitar o envelhecimento prematuro e a progressão das falhas incipientes.
Como apresentado no Capítulo 2, um dos métodos atualmente utilizados pelas empresas de energia para diagnóstico de falhas incipientes é o método de DGA que se baseia na análise dos gases dissolvidos no óleo para indicação do tipo de falha a que está sujeito o transformador.
Contudo a análise destes gases assim como a sua interpretação não é considerada uma ciência, mas sim uma arte sujeita a variabilidade. Logo a procura por métodos mais confiáveis usando a informação das concentrações dos gases dissolvidos em óleo ainda é um tópico de bastante interesse.
Alguns sistemas de diagnóstico baseados em inteligência computacionais vêm sendo apresentados na literatura. Devido à capacidade das redes neurais artificiais de adquirir conhecimento diretamente de dados de treinamento através de um processo de aprendizado, alguns sistemas de diagnóstico baseados em redes neurais têm apresentado resultados promissores.
Através das redes neurais, o problema de diagnóstico de faltas é reduzido a um processo de associação de entradas (concentrações dos gases) e saída (tipo de falta). As redes
neurais podem aprender o conhecimento dos especialistas da área, assim como o conhecimento ainda não adquirido pelos mesmos.
Considerando a capacidade das redes neurais para aquisição de conhecimento através dos dados de treinamento, este capítulo apresenta o desenvolvimento de um sistema inteligente baseado em RNA para diagnóstico de falhas incipientes em transformadores baseado na análise dos gases dissolvidos em óleo.
Para o desenvolvimento do mesmo, diversas topologias de uma rede neural do tipo Perceptron multicamadas foram testadas visando encontrar os melhores resultados considerando a escolha do vetor de entrada da rede neural (concentrações de gases ou relações entre gases) e o número de neurônios na camada escondida. O principal objetivo dos diversos testes foi encontrar a melhor topologia em relação à entrada da RNA que proporcionasse a melhor percentagem de acertos (diagnósticos corretos) não só para os dados utilizados para treinamento da rede, mas assim como para os dados utilizados para validação.
4.1. Base de Dados para Treinamento da RNA
Para o desenvolvimento do sistema inteligente baseado em redes neurais foi utilizado o banco de dados de equipamentos defeituosos usado para o desenvolvimento do método IEC 60599 [29] e que foi integralmente apresentado em [30]. A base de dados é composta de 318 amostras, onde 230 delas foram usadas para o treinamento e 88 foram usados para validação da rede neural. A base de dados de equipamentos defeituosos é listada no Anexo I.
Cada amostra da base de dados contém as concentrações dos gases hidrogênio (H2), metano (CH4), etano (C2H6), etileno (C2H4) e acetileno (C2H2), assim como a condição do transformador para estas concentrações. As 318 amostras para o treinamento e teste incluem 148 casos de falha térmica e 170 casos de falha elétrica. Os casos de falha térmica e falha elétrica foram divididos em falhas específicas como listados na tabela 4.1.
Tabela 4.1 – Tipos de Falhas do Banco de Dados
Tipo de Falta Número de Amostras Falta Térmica - T < 3 00 ° C 77
Falta Térmica - T > 300° C 71 Descarga Parcial (corona) 30 Descarga de Baixa Energia 37 Descarga de Alta Energia 103
Como o número de casos de falha térmica para T > 700ºC era insuficiente, as falhas térmicas foram divididas em falha térmica T > 300ºC e falha térmica T < 300 ºC.
4.1.1 Definição das entradas da RNA
Para o desenvolvimento da rede neural para diagnóstico de falhas baseado em DGA, diversas topologias considerando diferentes entradas para a RNA foram testadas. A tabela 4.2 apresenta todas as configurações de entrada apresentadas para a rede neural. A partir destas configurações, diversos treinos foram realizados com o objetivo de encontrar o melhor resultado entre os tipos de configurações testados.
A tabela 4.2 apresenta para cada configuração de entrada, o nome da RNA adotado. As entradas podem ser as concentrações dos gases ou a relação entre estas concentrações. Para o caso das redes treinadas com as relações de gases como entrada, foram escolhidas as relações padrões utilizadas nos métodos tradicionais de análise baseado em DGA sendo que na RNA5 foram utilizadas algumas relações a mais entre as concentrações. No total foram utilizadas 15 configurações de entrada para a rede neural.
É importante salientar que o principal objetivo de testar diversas configurações é tentar avaliar a importância ou não de determinados gases para o processo de diagnóstico, assim como a importância da análise através das relações entre os gases.
Tabela 4.2 – Configurações de Entradas para a RNA
Número Nome da Rede
Entradas (concentrações de gases ou relações entre concentrações) 1 RNA1 6 2 4 2 2 4 4 2 2 2 , , H C H C H CH H C H C 2 RNA2 4 2 2 2 6 2 4 2 4 6 2 2 4 , , , H C H C H C H C CH H C H CH 3 RNA3 2 2 , 4 2 , 4 C H C H CH 4 RNA4 H2,CH4,C2H2,C2H4,C2H6 5 RNA5 4 6 2 6 2 4 2 2 2 4 2 2 4 2 4 2 2 2 2 4 4 2 2 2 6 2 4 2 2 2 , , , , , , , , CH H C H C H C H C H C H CH H H C H H C CH H C H C H C H C H C 6 RNA6 CH4,C2H2,C2H4,C2H6 7 RNA7 H2,C2H2,C2H4,C2H6 8 RNA8 H2,CH4,C2H4,C2H6 9 RNA9 H2,CH4,C2H2,C2H6 10 RNA10 H2,CH4,C2H2,C2H4 11 RNA11 H2,C2H2,C2H4 12 RNA12 C2H2,C2H4, CH4 13 RNA13 C2H2,C2H4,C2H6 14 RNA14 C2H2,C2H4 15 RNA15 H2,CH4,C2H2,C2H4,C2H6
4.1.2 Definição da Saída da RNA
A tabela 4.3 apresenta os 5 tipos de falhas que o sistema neural pode classificar de acordo com os tipos de falhas contidas no banco de dados. Cada uma das falhas foi codificada para que possa ser então utilizada como saída da rede neural. A codificação das falhas foi utilizada em todos os 15 modelos de redes neurais treinadas.
Tabelas 4.3 – Código para falhas - Saídas da Rede Neural
Tipos de Faltas 1 Falta térmica < 300 º C 2 Falta térmica > 300 º C 3 Descarga Parcial
4 Descarga Parcial de Baixa Energia 5 Descarga Parcial de Alta Energia
4.1.3 Resultados
Para o desenvolvimento da Rede neural foi utilizado o toolbox de redes neurais do Matlab 7.3. Para os treinamentos foi utilizada a função trainlm do Matlab que é baseada no algoritmo de Levenberg.
Para todas as configurações de entrada apresentadas na tabela 4.2 foram realizados diversos treinamentos variando-se o número de neurônios na camada escondida. Os resultados obtidos para todos os casos serão apresentados a seguir, sendo que a escolha da melhor topologia foi baseada na percentagem de acerto de classificação de faltas incipientes tanto para os dados de treinamento quanto para os dados de validação.
A classificação obtida pela rede é verificada a partir de linhas discriminatórias em: 0.5, 1.5, 2.5, 3.5, 4.5 e 5.5. Ou seja, se a rede neural apresenta, por exemplo, como saída valores entre duas linhas discriminatórias 1.5 e 2.5, então a falta é classificada como tipo 2.
É importante salientar que o critério de parada do treinamento das redes treinadas foi baseado na análise da percentagem de acerto tanto para dados de treinamento quanto para dados de validação. A partir do momento que a percentagem de acerto para os dados de validação começava a decrescer ao longo do treinamento (considerando que a percentagem de acerto dos dados de treino continuava a aumentar), então o mesmo era interrompido e a rede considerada treinada.
a) RNA 1
A tabela 4.4 apresenta os resultados obtidos para a RNA1 considerando a variação do número de neurônios na camada escondida.
Tabela 4.4 – Resultados RNA1
Observando os resultados obtidos para a RNA1 pode-se concluir que para este caso, a rede que apresentou o melhor resultado foi à rede com 60 neurônios na camada escondida.
A Figura 4.1 apresenta os resultados para os dados de treino e a Figura 4.2 os resultados para os dados de validação.
Figura 4.1 – Saída do treino RNA1
Figura 4.2 – Saída do teste RNA1
NÚMERO DE NEURÔNIOS % TREINO % TESTE
10 86.9565 87.5000
20 89.1304 87.5000
40 88.2609 88.6364
b) RNA2
A tabela 4.5 apresenta os resultados para a RNA2 considerando a variação do número de neurônios na camada escondida.
Tabela 4.5 – Resultados RNA2
Observando os resultados obtidos para a RNA2 pode-se concluir que para este caso, a rede que apresentou o melhor resultado foi à rede com 20 neurônios na camada escondida. A Figura 4.3 apresenta os resultados para os dados de treino e a Figura 4.4 os resultados para os dados de validação.
Figura 4.3 – Saída do treino RNA2
Figura 4.4 – Saída do teste RNA2
NÚMERO DE NEURÔNIOS % TREINO % TESTE
10 81.3043 87.5000
20 88.2609 94.3182
40 89.1304 90.9091
c) RNA3
A tabela 4.6 apresenta os resultados para a RNA3 considerando a variação do número de neurônios na camada escondida.
Tabela 4.6 – Resultados RNA3
Observando os resultados obtidos para a RNA pode-se concluir que para este caso, a rede que apresentou o melhor resultado foi à rede com 10 neurônios na camada escondida. A figura 4.5 apresenta os resultados para os dados de treino e a figura 4.6 os resultados para os dados de validação.
Figura 4.5 – Saída do treino RNA3
Figura 4.6 – Saída do teste RNA3
NÚMERO DE NEURÔNIOS % TREINO % TESTE
10 90.8696 75.00
20 93.0435 73.8636
40 93.9130 67.0455
d) RNA4
A tabela 4.7 apresenta os resultados para a RNA4 considerando a variação do número de neurônios na camada escondida.
Tabela 4.7 – Resultados RNA4
Observando os resultados obtidos para a RNA pode-se concluir que para este caso, a rede que apresentou o melhor resultado foi à rede com 10 neurônios na camada escondida. A figura 4.7 apresenta os resultados para os dados de treino e a figura 4.8 os resultados para os dados de validação.
Figura 4.7 – Saída do treino RNA4
Figura 4.8 – Saída do teste RNA4
NÚMERO DE NEURÔNIOS % TREINO % TESTE 10 99.5652 85.2273
20 97.8261 80.6818
40 96.9565 82.9545
e) RNA5
A tabela 4.8 apresenta os resultados para a RNA5 considerando a variação do número de neurônios na camada escondida.
Tabela 4.8 – Resultados RNA5
Observando os resultados obtidos para a RNA pode-se concluir que para este caso, a rede que apresentou o melhor resultado foi à rede com 10 neurônios na camada escondida. A figura 4.9 apresenta os resultados para os dados de treino e a figura 4.10 os resultados para os dados de validação.
Figura 4.9 – Saída do treino RNA5
Figura 4.10 – Saída do teste RNA5
NÚMERO DE NEURÔNIOS % TREINO % TESTE
10 94.3478 87.5000
20 96.0870 59.0909
40 96.5217 35.2273
f) RNA6
A tabela 4.9 apresenta os resultados para a RNA6 considerando a variação do número de neurônios na camada escondida.
Tabela 4.9 – Resultados RNA6
Observando os resultados obtidos para a RNA pode-se concluir que para este caso, a rede que apresentou o melhor resultado foi à rede com 20 neurônios na camada escondida. A figura 4.11 apresenta os resultados para os dados de treino e a figura 4.12 os resultados para os dados de validação.
Figura 4.11 – Saída do treino RNA6
Figura 4.12 – Saída do teste RNA6
NÚMERO DE NEURÔNIOS % TREINO % TESTE
10 91.7391 80.6818
20 94.3478 84.0909
40 90 53.4091
g) RNA7
A tabela 4.10 apresenta os resultados para a RNA7 considerando a variação do número de neurônios na camada escondida.
Tabela 4.10 – Resultados RNA7
Observando os resultados obtidos para a RNA pode-se concluir que para este caso, a rede que apresentou o melhor resultado foi à rede com 10 neurônios na camada escondida. A figura 4.13 apresenta os resultados para os dados de treino e a figura 4.14 os resultados para os dados de validação.
Figura 4.13 – Saída do treino RNA7
Figura 4.14 – Saída do teste RNA7
NÚMERO DE NEURÔNIOS % TREINO % TESTE
10 93.0435 85.2273
20 93.9130 82.9545
40 93.9130 67.0455
h) RNA8
A tabela 4.11 apresenta os resultados para a RNA8 considerando a variação do número de neurônios na camada escondida.
Tabela 4.11 – Resultados RNA8
Observando os resultados obtidos para a RNA pode-se concluir que para este caso, a rede que apresentou o melhor resultado foi à rede com 10 neurônios na camada escondida. A figura 4.15 apresenta os resultados para os dados de treino e a figura 4.16 os resultados para os dados de validação.
Figura 4.15 – Saída do treino RNA8...61
Figura 4.16 – Saída do teste RNA8...61
NÚMERO DE NEURÔNIOS % TREINO % TESTE
10 80.8696 85.2273
20 97.8261 77.2727
40 92.6087 69.3182
i) RNA9
A tabela 4.12 apresenta os resultados para a RNA9 considerando a variação do número de neurônios na camada escondida.
Tabela 4.12 – Resultados RNA9.
Observando os resultados obtidos para a RNA pode-se concluir que para este caso, a rede que apresentou o melhor resultado foi à rede com 40 neurônios na camada escondida. A figura 4.17 apresenta os resultados para os dados de treino e a figura 4.18 os resultados para os dados de validação.
Figura 4.17 – Saída do treino RNA9.
Figura 4.18 – Saída do teste RNA9.
NÚMERO DE NEURÔNIOS % TREINO % TESTE
10 86.0870 75
20 92.1739 76.1364
40 92.6087 76.1364
j) RNA10
A tabela 4.13 apresenta os resultados para a RNA10 considerando a variação do número de neurônios na camada escondida.
Tabela 4.13 – Resultados RNA10.
Observando os resultados obtidos para a RNA pode-se concluir que para este caso, a rede que apresentou melhor resultado foi à rede com 10 neurônios na camada escondida. A figura 4.19 apresenta os resultados para os dados de treino e a figura 4.20 os resultados para os dados de validação.
Figura 4.19 – Saída do treino RNA10
Figura 4.20 – Saída do teste RNA10
NÚMERO DE NEURÔNIOS % TREINO % TESTE
10 94.7826 86.3636
20 94.3478 85.2273
40 93.9130 81.8182
k) RNA11
A tabela 4.14 apresenta os resultados para a RNA11 considerando a variação do número de neurônios na camada escondida.
Tabela 4.14 – Resultados RNA11
Observando os resultados obtidos para a RNA pode-se concluir que para este caso, a rede que apresentou melhor resultado foi à rede com 10 neurônios na camada escondida. A figura 4.21 apresenta os resultados para os dados de treino e a figura 4.22 os resultados para os dados de validação.
Figura 4.21 – Saída do treino RNA11
Figura 4.22 – Saída do treino RNA11
NÚMERO DE NEURÔNIOS % TREINO % TESTE
10 86.5217 77.2727
20 89.1304 75
40 87.8261 69.3182
l) RNA12
A tabela 4.15 apresenta os resultados para a RNA12 considerando a variação do número de neurônios na camada escondida.
Tabela 4.15 – Resultados RNA12
Observando os resultados obtidos para a RNA pode-se concluir que para este caso, a rede que apresentou melhor resultado foi à rede com 10 neurônios na camada escondida. A figura 4.23 apresenta os resultados para os dados de treino e a figura 4.24 os resultados para os dados de validação.
Figura 4.23 – Saída do treino RNA12
Figura 4.24 – Saída do teste RNA12
NÚMERO DE NEURÔNIOS % TREINO % TESTE
10 90 78.4091
20 90.8696 71.5909
40 90 60.2273
m) RNA13
A tabela 4.16 apresenta os resultados para a RNA13 considerando a variação do número de neurônios na camada escondida.
Tabela 4.16 – Resultados RNA13
Observando os resultados obtidos para a RNA pode-se concluir que para este caso, a rede que apresentou melhor resultado foi à rede com 10 neurônios na camada escondida. A figura 4.25 apresenta os resultados para os dados de treino e a figura 4.26 os resultados para os dados de validação.
Figura 4.25 – Saída do treino RNA13
Figura 4.26 – Saída do teste RNA13
NÚMERO DE NEURÔNIOS % TREINO % TESTE
10 91.3043 88.6364
20 92.1739 80.6818
40 88.6957 71.5909
n) RNA14
A tabela 4.17 apresenta os resultados para a RNA14 considerando a variação do número de neurônios na camada escondida.
Tabela 4.17 – Resultados RNA14
Observando os resultados obtidos para a RNA pode-se concluir que para este caso, a rede que apresentou melhor resultado foi à rede com 10 neurônios na camada escondida. A figura 4.27 apresenta os resultados para os dados de treino e a figura 4.28 os resultados para os dados de validação.
Figura 4.27 – Saída do treino RNA14
Figura 4.28 – Saída do treino RNA14
NÚMERO DE NEURÔNIOS % TREINO % TESTE
10 85.2174 77.2727
20 87.3913 75
40 84.7826 72.7273
o) RNA15
A tabela 4.18 apresenta os resultados para a RNA15 considerando a variação do número de neurônios na camada escondida.
Tabela 4.18 – Resultados RNA15
Observando os resultados obtidos para a RNA pode-se concluir que para este caso, a rede que apresentou melhor resultado foi à rede com 40 neurônios na camada escondida. A figura 4.29 apresenta os resultados para os dados de treino e a figura 4.30 os resultados para os dados de validação.
Figura 4.29 – Saída do treino RNA15
Figura 4.30 – Saída do treino RNA15
NÚMERO DE NEURÔNIOS % TREINO % TESTE
10 38.2609 55.6818
20 43.0435 57.9545
40 65.6522 71.5909
4.1.4 Melhor Topologia da RNA
A partir dos resultados obtidos tanto para treinamento quanto para validação para as diversas redes treinadas, a rede que apresentou melhor desempenho para o problema de classificação de faltas incipientes foi a RNA4 com 10 neurônios na camada escondida que proporcionou 99.5% de acerto para dados de treinamento e 85.5% para dados de validação.
Com este resultado pode-se concluir que, como já demonstrado em alguns trabalhos na literatura, a rede neural treinada tendo como entrada todas as concentrações de gases, proporciona resultados mais satisfatórios do que considerando como entrada as razões entre as concentrações ou considerando apenas alguns dos 5 gases chaves (os testes realizados sem alguns dos gases chaves serviram exatamente para demonstrar a importância de cada um desses gases no processo de diagnóstico).
A Tabela 4.19 apresenta alguns resultados para alguns casos de classificação apresentado pela RNA4.
Tabela 4.19 – Resultados RNA4.
Padrão H2 CH4 C2H2 C2H4 C2H6 Saída Esperada Saída da Rede 1 305 538 0.0001 101 157 1 1.0005 2 12 17.6 0.0001 4.5 4.6 1 1.3229 3 3.6 6.7 0.1 2.3 2 2 2.0074 4 5 11 0.1 4.5 3.5 2 1.9858 5 19 0.0001 0.0001 2 20 3 2.9978 6 41 0.5 0.0001 6 0.0001 3 2.9793 7 35 6 482 26 3 4 4.0993 8 60 10 4 4 4 4 4.0766 9 182 164 520 633 64 5 5.0523 10 62 16 63 65 1.8 5 4.8931
Para comparação, a Tabela 4.20 apresenta a percentagem de acerto para a RNA4 e percentagem de acerto para o método do IEC 60599. Os resultados são para os mesmos dados de treino e validação utilizados para a RNA4.
Tabela 4.20 – Tabela Comparativa entre Métodos
Método Percentagem de
acerto dados treino
Percentagem de acerto dados
validação
RNA 99.56% 85%
IEC 60599 93.91% 84.31%
Pode-se observar dos resultados que a rede apresenta resultado superior ao do método do IEC. É importante salientar que em alguns casos que o método IEC não conseguiu identificar o tipo de falha, a rede neural classificou corretamente a mesma, mostrando desta forma a capacidade da RNA de adquirir conhecimento a partir dos dados.
Com os resultados então validados, a rede neural pode então ser implementada e utilizada pelos especialistas da área de diagnóstico de transformadores, podendo desta forma auxiliar no processo de tomada de decisão.
4.2. Considerações Finais
Este capítulo apresentou o sistema desenvolvido para diagnóstico inteligente dos transformadores baseado na análise dos gases dissolvidos em óleo.
Para o treinamento da rede neural foram utilizados dados de um banco de dados de equipamentos defeituosos disponível na literatura.
Após diversos testes com diversas topologias, foi então escolhida a que apresentou melhor percentagem de acerto tanto para dados de treino quanto para dados de teste.
Para comparação, os mesmos dados foram submetidos ao método padrão IEC 6599. Os resultados mostraram que a rede neural desenvolvida apresentou resultado superior ao apresentado pelo IEC.
Todos os resultados apresentados mostram então a validade do uso das redes no procedimento de diagnóstico de faltas incipientes.
O próximo capítulo apresenta o sistema inteligente desenvolvido para o diagnóstico de transformadores baseado na análise físico-química do óleo isolante.